യഥാർത്ഥ ലോക ഉപയോഗ കേസുകളെയും ആർക്കിടെക്ചറുകളെയും അടിസ്ഥാനമാക്കിയുള്ള 9 RAG ഉദാഹരണങ്ങൾ

ഉപയോക്തൃ, എന്റർപ്രൈസ് സാഹചര്യങ്ങളിൽ RAG വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്നു. വെബ് തിരയൽ, ഉപഭോക്തൃ പിന്തുണ, AI-പ്രാപ്തമാക്കിയ ഷോപ്പിംഗ് എന്നിവ RAG-ന്റെ യഥാർത്ഥ ലോകത്തിലെ ദൈനംദിന ഉദാഹരണങ്ങളാണ്. ആന്തരിക വിജ്ഞാന ആക്‌സസും കോഡിംഗ് സഹായവുമാണ് ഏറ്റവും പ്രധാനപ്പെട്ട ബിസിനസ്സ് ഉദാഹരണങ്ങളിൽ ചിലത്.

ഉപയോഗ കേസുകൾക്കനുസരിച്ച് RAG ആർക്കിടെക്ചറും വ്യത്യാസപ്പെടാം. പരമ്പരാഗത കീവേഡ് പൊരുത്തപ്പെടുത്തലിനെ വെക്ടർ അല്ലെങ്കിൽ നോളജ് ഗ്രാഫ് തിരയലുമായി സംയോജിപ്പിക്കുന്ന ഹൈബ്രിഡ് RAG, വീണ്ടെടുക്കൽ പ്രക്രിയയെ ഒരു LLM നിയന്ത്രിക്കുന്ന ഏജന്റിക് RAG എന്നിവയാണ് ഏറ്റവും സാധാരണമായ രണ്ട് നടപ്പാക്കലുകൾ.

എന്താണ് റിട്രീവൽ-ഓഗ്മെന്റഡ് ജനറേഷൻ (RAG)?

RAG അല്ലെങ്കിൽ റിട്രീവൽ-ഓഗ്മെന്റഡ് ജനറേഷൻ, LLM സൃഷ്ടിക്കുന്ന ഉത്തരങ്ങൾക്ക് അനുബന്ധമായി ബാഹ്യ സിസ്റ്റങ്ങളിൽ സംഭരിച്ചിരിക്കുന്ന വിവരങ്ങൾ ആക്‌സസ് ചെയ്യാൻ AI ആപ്ലിക്കേഷനുകളെ അനുവദിക്കുന്നു.

ഇതൊരു ശക്തമായ സാങ്കേതികവിദ്യയാണ്, കാരണം ഇത് ജനറേറ്റീവ് AI-യുടെ മൂന്ന് പ്രധാന പ്രശ്നങ്ങളെ അഭിസംബോധന ചെയ്യുന്നു: ഭ്രമാത്മകത (hallucinations), കാലഹരണപ്പെട്ട വിവരങ്ങൾ, ഇൻപുട്ട് സന്ദർഭത്തിൽ ഉൾപ്പെടുത്താത്ത ഡാറ്റയിലേക്കുള്ള പ്രവേശനമില്ലായ്മ.

അടിസ്ഥാനപരമായ ഒരു RAG പ്രക്രിയ ഇങ്ങനെയാണ്:

1. ഉപയോക്തൃ സ്വാഭാവിക ഭാഷയിൽ ഒരു പ്രോംപ്റ്റ് നൽകുന്നു.
2. ഗ്രൗണ്ടിംഗ് ആവശ്യമാണോ എന്ന് AI ആപ്ലിക്കേഷൻ നിർണ്ണയിക്കുന്നു, ചിലപ്പോൾ LLM-ന്റെ പങ്കാളിത്തത്തോടെ.
3. ഡാറ്റാബേസ് പോലുള്ള ഒരു ബാഹ്യ വിവരണ ഉറവിടത്തിലേക്ക് ഒരു അഭ്യർത്ഥന അയയ്ക്കുന്നു.
4. വീണ്ടെടുത്ത വിവരങ്ങൾ LLM-ന്റെ ഇൻപുട്ട് സന്ദർഭത്തിലേക്ക് ചേർക്കുന്നു.
5. വർദ്ധിപ്പിച്ച പ്രോംപ്റ്റിനെ അടിസ്ഥാനമാക്കി LLM ഒരു ഉത്തരം സൃഷ്ടിക്കുന്നു.

നിർദ്ദിഷ്ട നടപ്പാക്കലിൽ അവ വ്യത്യാസപ്പെടാമെങ്കിലും, ഈ ഘട്ടങ്ങൾ ഒരു സാധാരണ RAG വർക്ക്ഫ്ലോയെ പ്രതിനിധീകരിക്കുന്നു. വിവിധ തരം ആർക്കിടെക്ചറുകൾ തമ്മിലുള്ള വ്യത്യാസങ്ങൾ ക്ലൈന്റ് ആപ്ലിക്കേഷൻ അഭ്യർത്ഥനകൾ എങ്ങനെ കൈകാര്യം ചെയ്യുന്നു എന്നതിനെയും വീണ്ടെടുക്കുന്ന വിവരങ്ങളുടെ സ്വഭാവത്തെയും കേന്ദ്രീകരിച്ചിരിക്കുന്നു.

RAG ആർക്കിടെക്ചറിന്റെ ഒരു അവലോകനം

"റിട്രീവൽ-ഓഗ്മെന്റഡ് ജനറേഷൻ" എന്ന പദം ആദ്യം പ്രത്യക്ഷപ്പെട്ടത് മെറ്റാ AI (അന്ന് ഫേസ്ബുക്ക് AI റിസർച്ച്) ലെ ഗവേഷകരും യൂണിവേഴ്സിറ്റി കോളേജ് ലണ്ടൻ, ന്യൂയോർക്ക് യൂണിവേഴ്സിറ്റി എന്നിവിടങ്ങളിൽ നിന്നുള്ള സഹപ്രവർത്തകരും ചേർന്ന് പ്രസിദ്ധീകരിച്ച Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks എന്ന 2020 ലെ പ്രബന്ധത്തിലാണ്.

തുടക്കകാലത്തെ വീണ്ടെടുത്ത്-സൃഷ്ടിക്കുക (retrieve-then-generate) സമീപനങ്ങൾ, "നയവ് RAG" (naive RAG) എന്ന് ഏകദേശമായി വിളിക്കപ്പെടുന്നു, പിന്നീട് വിവിധ ആർക്കിടെക്ചർ തരങ്ങളായി വികസിച്ചു, അവയിൽ പലതും പരസ്പരം അതിവ്യാപനം ചെയ്യുന്നു.

Naive RAG

Naive RAG ലളിതമായ ഒരു വീണ്ടെടുക്കൽ, ജനറേഷൻ പൈപ്പ്‌ലൈൻ ഉപയോഗിക്കുന്നു, ഇത് പല അടിസ്ഥാന അഭ്യർത്ഥനകൾക്കും ഇപ്പോഴും അനുയോജ്യമാണ്. വെക്ടർ എംബഡിംഗ് അല്ലെങ്കിൽ വെക്ടർ എന്ന് വിളിക്കപ്പെടുന്ന, ഓർഡർ ചെയ്ത സംഖ്യകളുടെ ലിസ്റ്റിലേക്ക് ഒരു ചോദ്യത്തെ പരിവർത്തനം ചെയ്യുന്നതാണ് naive RAG-ന്റെ ഏറ്റവും സാധാരണമായ ഉദാഹരണം. തുടർന്ന് ചോദ്യത്തിന്റെ എംബഡിംഗ്, ഡാറ്റാബേസിലെ അല്ലെങ്കിൽ ഇൻഡക്സിലെ ഉള്ളടക്ക ഭാഗങ്ങളെ (സെമാന്റിക് ഇൻഡക്സ് എന്ന് വിളിക്കുന്നു) പ്രതിനിധീകരിക്കുന്ന മറ്റ് വെക്ടറുകളുമായി പൊരുത്തപ്പെടുത്തുന്നു.

Advanced RAG

Advanced RAG വീണ്ടെടുക്കലിന് മുമ്പുള്ളതും ശേഷമുള്ളതുമായ ഘട്ടങ്ങളെ ഒപ്റ്റിമൈസ് ചെയ്യുന്നു. ക്വറി എക്സ്പാൻഷൻ, മെറ്റാഡാറ്റ ഫിൽട്ടറിംഗ്, സന്ദർഭ ചുരുക്കൽ (context compression) എന്നിവ ഈ സാങ്കേതികവിദ്യകളിൽ ഉൾപ്പെടുന്നു. വീണ്ടെടുക്കുന്ന വിവരങ്ങളുടെ പ്രസക്തിയും, LLM-ന്റെ ഇൻപുട്ട് സന്ദർഭത്തിലേക്ക് ചേർക്കുന്നതിന് മുമ്പ് അത് എങ്ങനെ പരിഷ്കരിക്കപ്പെടുന്നു എന്നതും ഇവ അടിസ്ഥാനപരമായി മെച്ചപ്പെടുത്തുന്നു.

Agentic RAG

LLM-അധിഷ്ഠിത ഏജന്റ് വഴിയുള്ള RAG പൈപ്പ്‌ലൈനുകളുടെ നിർവ്വഹണമാണ് Agentic RAG. പ്രസക്തമായ ഒരു ഉത്തരം സൃഷ്ടിക്കുന്നതിനായി, ഒരു നൽകിയിട്ടുള്ള പ്രോംപ്റ്റിന് ഏത് ടൂളുകളാണ് ഏറ്റവും മികച്ചതെന്ന് ഏജന്റ് "തീരുമാനിക്കുകയും", ചിലപ്പോൾ ഒരു ലൂപ്പിൽ വീണ്ടെടുക്കലിനെ നയിക്കുകയും ചെയ്യുന്നു.

Graph RAG

എന്റിറ്റികളെയും (വസ്തുക്കൾ, ആശയങ്ങൾ, ഇവന്റുകൾ എന്നിവ പോലുള്ളവ) അവ തമ്മിലുള്ള ബന്ധങ്ങളെയും പ്രതിനിധീകരിക്കുന്ന ഒരു നോളജ് ഗ്രാഫിൽ നിന്ന് Graph RAG വിവരങ്ങൾ വീണ്ടെടുക്കുന്നു. വ്യത്യസ്ത എന്റിറ്റികളെക്കുറിച്ചുള്ള വിവരങ്ങൾ സംയോജിപ്പിക്കാൻ ഒരു പ്രോംപ്റ്റിനുള്ള ഉത്തരം LLM-നോട് ആവശ്യപ്പെടുമ്പോൾ ഇത് ഉപയോഗപ്രദമാണ്.

Multimodal RAG

ചോദ്യങ്ങൾ ചോർത്തുമ്പോഴും വീണ്ടെടുക്കുമ്പോഴും ചിത്രങ്ങളും ഓഡിയോയും പോലുള്ള ഉള്ളടക്കങ്ങളിലേക്ക് Multimodal RAG വീണ്ടെടുക്കൽ വ്യാപിപ്പിക്കുന്നു. ഈ RAG പൈപ്പ്‌ലൈനുകൾ ടെക്സ്റ്റ്, ചിത്രങ്ങൾ അല്ലെങ്കിൽ ഓഡിയോ എന്നിവയെ എംബഡിംഗുകളാക്കി മാറ്റാൻ പ്രത്യേക എൻകോഡറുകൾ ഉപയോഗിക്കുന്നു.

Hybrid RAG

Hybrid RAG കീവേഡ് തിരയൽ അല്ലെങ്കിൽ ലെക്സിക്കൽ വീണ്ടെടുക്കൽ എന്നിവയെ വെക്ടർ വീണ്ടെടുക്കൽ അല്ലെങ്കിൽ നോളജ് ഗ്രാഫുകളുമായി സംയോജിപ്പിച്ച് ഫലങ്ങൾ ലയിപ്പിക്കുന്നു. ചില സാഹചര്യങ്ങളിൽ കീവേഡ് പൊരുത്തപ്പെടുത്തൽ വളരെ കൃത്യതയുള്ളതായിരിക്കാം (മറ്റ് രീതികളേക്കാൾ കൂടുതൽ) എന്നതിനാൽ ഇത് ഉപയോഗപ്രദമാണ്.

Corrective RAG

ചോദ്യവുമായുള്ള പ്രസക്തിക്കായി തിരികെ ലഭിച്ച വിവരങ്ങളെയോ ഡാറ്റയെയോ Corrective RAG വിലയിരുത്തുന്നു. ഇത് വീണ്ടെടുത്ത ഭാഗങ്ങൾ പരിഷ്കരിക്കുകയോ അനുബന്ധമായി നൽകുകയോ അല്ലെങ്കിൽ മറ്റൊരു അഭ്യർത്ഥന നടത്തി അവയെ പൂർണ്ണമായി മാറ്റിസ്ഥാപിക്കുകയോ ചെയ്തേക്കാം.

ഉപയോഗ കേസുകളും വ്യവസായ ആപ്ലിക്കേഷനുകളും അനുസരിച്ചുള്ള RAG ഉദാഹരണങ്ങൾ

ഉപഭോക്തൃ, ബിസിനസ്സ് മേഖലകളിൽ ഉടനീളം RAG-ന്റെ നിരവധി ഉദാഹരണങ്ങളുണ്ട്. RAG പൈപ്പ്‌ലൈനുകൾ മിക്ക മെയിൻസ്ട്രീം ടൂളുകളിലും സംയോജിപ്പിച്ചിട്ടുള്ളതാണ് ഇതിന് പ്രധാന കാരണം. കൂടാതെ, ഉപഭോക്തൃ സേവന ചാറ്റ്‌ബോട്ടുകൾക്കായി പല വെണ്ടർമാരും ഔട്ട്-ഓഫ്-ദി-ബോക്സ് ഇന്റഗ്രേഷനുകൾ വാഗ്ദാനം ചെയ്യുന്നു, ഇത് സ്വീകാര്യത എളുപ്പമാക്കിയിട്ടുണ്ട്.

1. വെബ് തിരയൽ

RAG-ന്റെ ഏറ്റവും വ്യാപകമായ ഉദാഹരണങ്ങളിലൊന്നാണ് വെബ് തിരയൽ. വെബിൽ നിന്ന് വീണ്ടെടുത്ത വിവരങ്ങളെ അടിസ്ഥാനമാക്കി പ്രതികരണങ്ങൾ സൃഷ്ടിക്കാൻ ദശലക്ഷക്കണക്കിന് ആളുകൾ ദിവസവും AI ടൂളുകൾ ഉപയോഗിക്കുന്നു.

ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു: കീവേഡ് അധിഷ്ഠിതവും സെമാന്റിക് ആയതുമായ വീണ്ടെടുക്കൽ ഉപയോഗിച്ച് Google Search ഇൻഡക്സ് പോലുള്ള ഒരു വെബ് ഇൻഡക്സിൽ AI ആപ്ലിക്കേഷൻ തിരയുന്നു. LLM-ന്റെ ഇൻപുട്ടിൽ ഉപയോക്താവിന്റെ ചോദ്യത്തിനൊപ്പം പ്രസക്തമായ പേജ് ഉള്ളടക്കവും ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. തുടർന്ന് LLM, സാധാരണയായി ഉറവിട പരാമർശങ്ങളോടെ ഒരു ഉത്തരം സൃഷ്ടിക്കുന്നു.

യഥാർത്ഥ ലോക ഉദാഹരണം: “ചിക്കാഗോയിലെ കാലാവസ്ഥ എന്താണ്?” എന്ന് Perplexity-യുടെ ചാറ്റ് ഇന്റർഫേസിൽ ഒരു ഉപയോക്താവ് ലളിതമായ ഒരു ചോദ്യം ടൈപ്പ് ചെയ്യുകയാണെങ്കിൽ, കാലികമായ വിവരങ്ങൾ കണ്ടെത്താൻ LLM ഒരു വെബ് തിരയൽ നടത്തു. പങ്കാളി സെർച്ച് API-കളുമായി ചേർന്ന് Perplexity ഒരു പ്രൊപ്രൈറ്ററി വെബ് ഇൻഡക്സ് ഉപയോഗിക്കുന്നു.

വലുതാക്കുക

2. ഉപഭോക്തൃ പിന്തുണ

ആപ്പിനുള്ളിലെയും വെബ്‌സൈറ്റിലെയും ചാറ്റ്‌ബോട്ടുകൾ RAG-ന്റെ ഒരു പ്രധാന എന്റർപ്രൈസ് ഉപയോഗ കേസ് ആയി മാറിയിരിക്കുന്നു. ഈ സിസ്റ്റങ്ങൾ സാധാരണയായി പരമ്പരാഗത റൂട്ടിംഗ് പാതകളുമായി ജോടിയാക്കുന്നു, ഇത് ഉപഭോക്തൃ പ്രതിനിധികളുടെ പങ്കാളിത്തത്തിന്റെ ആവശ്യം കുറയ്ക്കുന്നു.

ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു: ഒരു ഉപഭോക്താവ് ഒരു ചോദ്യം ചോർത്തുമ്പോൾ, ആപ്ലിക്കേഷൻ കമ്പനിയുടെ നോളജ് ബേസിൽ തിരയുന്നു, പലപ്പോഴും ഒരു ഹൈബ്രിഡ് പൈപ്പ്‌ലൈൻ ഉപയോഗിക്കുന്നു. വീണ്ടെടുത്ത ഭാഗങ്ങൾ LLM-ന് നൽകുന്നു, അത് ഒരു ഉത്തരം സൃഷ്ടിക്കുന്നു. ഉത്തരം സാധുതയുള്ളതാണെന്ന് ഉറപ്പാക്കാനും ആവശ്യമെങ്കിൽ ഒരു പ്രതിനിധിയിലേക്ക് റൂട്ട് ചെയ്യാനും തിരുത്തൽ, ഹാൻഡ്-ഓഫ് പ്രക്രിയകളും സാധാരണയായി ഉൾപ്പെട്ടിട്ടുണ്ട്.

യഥാർത്ഥ ലോക ഉദാഹരണം: Zendesk (താഴെ ചിത്രീകരിച്ചിരിക്കുന്നത്), Intercom എന്നിവയുൾപ്പെടെയുള്ള വിവിധ ഉപഭോക്തൃ സേവന പ്ലാറ്റ്‌ഫോമുകൾ, നിലവിലുള്ള ഡോക്ുമെന്റേഷനുമായും ഉപഭോക്തൃ പിന്തുണ അടിത്തറയുമായും സംയോജിപ്പിക്കുന്ന പ്ലഗ്-ആൻഡ്-പ്ലേ ഉപഭോക്തൃ പിന്തുണ ചാറ്റ്‌ബോട്ടുകൾ വാഗ്ദാനം ചെയ്യുന്നു.

വലുതാക്കുക

3. വ്യക്തിഗത അസിസ്റ്റന്റുകൾ

വ്യക്തിഗത അസിസ്റ്റന്റുകൾ ഒരു ഉപയോക്താവിന്റെ ഇമെയിലുകൾ, ഫയലുകൾ, കലണ്ടർ എന്നിവ ആക്‌സസ് ചെയ്യാൻ Agentic RAG ഉപയോഗിക്കുന്നു. ഈ അസിസ്റ്റന്റുകൾക്ക് സാധാരണയായി ഒന്നിലധികം RAG പൈപ്പ്‌ലൈനുകൾ നിർവ്വഹിക്കാൻ കഴിയും.

ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു: വ്യക്തിഗത അസിസ്റ്റന്റുകൾക്ക് പലപ്പോഴും ഒന്നിലധികം വിവരണ ഉറവിടങ്ങളിലേക്ക് പ്രവേശനം ആവശ്യമായതിനാൽ, അവ API-കൾ, കീവേഡ് തിരയൽ, വെക്ടർ തിരയൽ, നോളജ് ഗ്രാഫുകൾ എന്നിവയുടെ മിശ്രിതം ഉപയോഗിക്കുന്നു. വിവിധ ടൂൾ വിവരണങ്ങൾ ആപ്ലിക്കേഷൻ LLM-ലേക്ക് അയയ്ക്കുന്നു, തുടർന്ന് അത് ഏറ്റവും അനുയോജ്യമായവ തിരഞ്ഞെടുക്കുന്നു.

യഥാർത്ഥ ലോക ഉദാഹരണം: പൊതുവായ ആവശ്യങ്ങൾക്കായുള്ളതും വ്യക്തിഗതവുമായ AI അസിസ്റ്റന്റായി പ്രവർത്തിക്കാൻ കഴിയുന്ന ഒരു ആപ്പിന്റെ നല്ലൊരു ഉദാഹരണമാണ് Google Gemini (ഇന്നത്തെ കാലത്ത് മിക്ക അസിസ്റ്റന്റുകളുടെയും കാര്യത്തിൽ ഇത് അങ്ങനെയാണ്). Gmail, Docs, Photos, Calendar എന്നിവപോലുള്ള ടൂളുകളുടെ ഒരു ആവാസവ്യവസ്ഥയുമായി ഇത് സംയോജിപ്പിക്കുന്നു.

വലുതാക്കുക

4. എന്റർപ്രൈസ് നോളജ് മാനേജ്മെന്റ്

നയങ്ങൾ, റിപ്പോർട്ടുകൾ, പ്രോജക്റ്റ് രേഖകൾ, നിയമപരമായ വാചകങ്ങൾ, ആന്തരിക ചർച്ചകൾ എന്നിവയുൾപ്പെടെയുള്ള വിശാലമായ കമ്പനി വിവരങ്ങളിൽ ഉടനീളം ചോദ്യങ്ങൾ ചോദിക്കാൻ എന്റർപ്രൈസ് നോളജ് മാനേജ്മെന്റ് ജീവനക്കാരെ അനുവദിക്കുന്നു.

ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു: ഉറവിട രേഖകൾ മാറുന്നതിനനുസരിച്ച് അപ്‌ഡേറ്റ് ചെയ്യുന്ന ഒരു വെക്ടർ ഇൻഡക്സ് ഉപയോഗിച്ച് ആപ്ലിക്കേഷൻ പ്രസക്തമായ ഉള്ളടക്കം വീണ്ടെടുക്കുന്നു. ഇൻഡക്സിൽ ഡോക്യുമെന്റ് ഭാഗങ്ങളെ പ്രതിനിധീകരിക്കുന്ന എംബഡിംഗുകൾ അടങ്ങിയിരിക്കുന്നു, അവയുടെ ടെക്സ്റ്റിലേക്കും ബന്ധപ്പെട്ട മെറ്റാഡാറ്റയിലേക്കും ലിങ്കുകൾ ഉണ്ട്.

യഥാർത്ഥ ലോക ഉദാഹരണം: Microsoft 365 Copilot, ഡാറ്റാ ഉറവിടങ്ങൾക്കായി വിവിധ API-കൾ തുറന്നുകാട്ടുന്ന Microsoft Graph വഴി സംഘടനാ വിവരങ്ങൾ ആക്‌സസ് ചെയ്യുകയും പ്രസക്തമായ ഉള്ളടക്കം വീണ്ടെടുക്കാൻ ലെക്സിക്കൽ, സെമാന്റിക് ഇൻഡക്സുകൾ ഉപയോഗിക്കുകയും ചെയ്യുന്നു.

വലുതാക്കുക

5. കോഡിംഗ് അസിസ്റ്റന്റുകൾ

കോഡിംഗ് അസിസ്റ്റന്റുകൾ ഒരു കോഡ്‌ബേസിലേക്ക് RAG പ്രയോഗിക്കുന്നു. അടിസ്ഥാനപരമായ RAG പ്രക്രിയ ഒന്നുതന്നെയാണെങ്കിലും (സാധാരണയായി Agentic RAG), കോഡ് സന്ദർഭവുമായി അവ പ്രത്യേകമായി ഇടപെടുന്നു എന്നതാണ് വ്യത്യാസം.

ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു: കോഡിംഗ് അസിസ്റ്റന്റുകൾ പ്രാദേശിക പ്രോജക്റ്റ് ഫയലുകൾ ഇൻഡക്സ് ചെയ്യുകയും പ്രോംപ്റ്റ് ചെയ്യുമ്പോൾ പ്രസക്തമായ കോഡ് സ്നിപ്പെറ്റുകൾ കണ്ടെത്താൻ മൾട്ടി-സെർച്ച് പാസുകൾ നടത്തുകയും ചെയ്യുന്നു. കോർപ്പറേറ്റ് നോളജ് ബേസുകൾ പോലുള്ള ആക്സസ് വ്യാപിപ്പിക്കുന്നതിന് ഈ അസിസ്റ്റന്റുകൾക്ക് സാധാരണയായി സമർപ്പിത കണക്ടറുകളും ഉണ്ട്.

യഥാർത്ഥ ലോക ഉദാഹരണം: ഡെവലപ്‌മെന്റ് പ്രോജക്റ്റുകളുമായി നേരിട്ട് സംയോജിപ്പിക്കുന്ന ഒരു കോഡിംഗ് അസിസ്റ്റന്റിന്റെ അറിയപ്പെടുന്ന ഒരു ഉദാഹരണമാണ് GitHub Copilot. ഉത്തരത്തിന്റെ കൃത്യത വർദ്ധിപ്പിക്കുന്നതിന് ഇതിന് പൊതുവായ GitHub ശേഖരങ്ങളെയും (repositories) റഫറൻസ് ചെയ്യാൻ കഴിയും.

വലുതാക്കുക

6. സാങ്കേതിക ട്രബിൾഷൂട്ടിംഗ്

സാങ്കേതിക ട്രബിൾഷൂട്ടിംഗ് ഒരു ഡയഗ്നോസ്റ്റിക് ലൂപ്പിനൊപ്പം ഒരു നോളജ് മാനേജ്മെന്റ് RAG പൈപ്പ്‌ലൈൻ സംയോജിപ്പിക്കുന്നു. ട്രബിൾഷൂട്ടിംഗ് ശുപാർശകൾ ആവശ്യാനുസരണം കൂടുതൽ പരിഷ്കരിക്കുന്നതിന് ഒരു ഏജന്റിന് ഫലങ്ങൾ വിലയിരുത്താൻ കഴിയും.

ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു: ഒരു ആപ്ലിക്കേഷൻ ഉപയോക്താവിൽ നിന്ന് സാങ്കേതിക പ്രശ്നത്തിന്റെ ലക്ഷക്ഷണങ്ങൾ ശേഖരിക്കുന്നു അല്ലെങ്കിൽ ഓട്ടോമേറ്റഡ് മോണിറ്ററിംഗ് അലർട്ടുകൾ സ്വീകരിക്കുന്നു. ലക്ഷക്ഷണങ്ങൾ ക്രോസ്-ചെക്ക് ചെയ്യുന്നതിനായി ഇത് പിശക് സന്ദേശങ്ങൾ, സാങ്കേതിക ലോഗുകൾ, പ്രകടന മെട്രിക്സ് എന്നിവയുടെ തിരയൽ ട്രിഗർ ചെയ്യുന്നു. തുടർന്ന് LLM-ലേക്ക് കൈമാറുന്നതിനായി ഒരു ആന്തരിക നോളജ് ബേസിൽ നിന്ന് പ്രസക്തമായ വിവരങ്ങൾ വീണ്ടെടുക്കുന്നു. ഉപയോക്താവിൽ നിന്നോ ഡയഗ്നോസ്റ്റിക് ടൂളിൽ നിന്നോ ഉള്ള ശ്രമിച്ച പരിഹാരത്തിന്റെ ഫലങ്ങൾ LLM-ലേക്ക് തിരികെ ഫീഡ് ചെയ്യുമ്പോഴാണ് ഡയഗ്നോസ്റ്റിക് ലൂപ്പ് സംഭവിക്കുന്നത്.

യഥാർത്ഥ ലോക ഉദാഹരണം: നിരീക്ഷണ പ്ലാറ്റ്‌ഫോമായ Datadog (താഴെ ചിത്രീകരിച്ചിരിക്കുന്നത്) ഒരു സിസ്റ്റത്തിന്റെ എല്ലാ പാളികളിൽ നിന്നും ഡാറ്റ ശേഖരിക്കുന്നു, പ്രശ്നങ്ങൾ ഉണ്ടാകുമ്പോൾ അവ ഫ്ലാഗ് ചെയ്യുന്നു. സാധ്യമായ പരിഹാരങ്ങൾ ട്രബിൾഷൂട്ട് ചെയ്യുന്നതിനായി ഇവ പിന്നീട് Bits AI എന്ന് വിളിക്കപ്പെടുന്ന ഒരു പ്രത്യേക AI ഏജന്റിലേക്ക് ഫീഡ് ചെയ്യപ്പെടുന്നു.

വലുതാക്കുക

7. ഏജന്റിക് വാണിജ്യം (Agentic commerce)

സാധാരണയായി RAG ഉൾപ്പെടുന്ന വിശാലമായ ഒരു ഉപയോഗ കേസാണ് ഏജന്റിക് വാണിജ്യം. ഓപ്ഷനുകൾ താരതമ്യം ചെയ്യുന്നതിനും ശുപാർശകൾ വിശദീകരിക്കുന്നതിനുമായി ഒരു ഷോപ്പിംഗ് ഏജന്റ് ഉൽപ്പന്ന സവിശേഷതകൾ, അവലോകനങ്ങൾ, വിലകൾ, ലഭ്യത എന്നിവ പോലുള്ള വിശദാംശങ്ങൾ വീണ്ടെടുക്കുന്നു. ഉപയോക്താവ് ഇന്റർഫേസ് വിട്ടുപോകാതെ തന്നെ ഇതിന് യാന്ത്രികമായി വാങ്ങൽ നടത്താനും കഴിയും.

ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു: പ്രത്യേക ചോദ്യങ്ങൾക്ക് പലപ്പോഴും വ്യത്യസ്ത തരത്തിലുള്ള വീണ്ടെടുക്കൽ ആവശ്യമായതിനാലും, അത് മോഡൽ നിർദ്ദേശിക്കുന്നതിനാലും ഏജന്റിക് വാണിജ്യം യഥാർത്ഥ ഏജന്റിക് RAG ആണ്. ഒരു റീട്ടെയിലറുടെ API വഴി ഒരു ഏജന്റ് ടെക്സ്റ്റ്-മാത്രം ഉൽപ്പന്ന ഡാറ്റ വീണ്ടെടുത്തേക്കാം, അല്ലെങ്കിൽ ഒരു ഉപയോക്തൃ ഫോട്ടോയെ അടിസ്ഥാനമാക്കി സെമാന്റിക് ഇൻഡക്സിലെ ഉൽപ്പന്നങ്ങളുമായി പൊരുത്തപ്പെടുത്താൻ അതിന് Multimodal RAG ഉപയോഗിക്കാം.

യഥാർത്ഥ ലോക ഉദാഹരണം: ഒരു പ്രോംപ്റ്റിനെ അടിസ്ഥാനമാക്കി ഒന്നിലധികം ചിത്രങ്ങളും വിശദമായ ഉൽപ്പന്ന സവിശേഷതകളും വീണ്ടെടുക്കാൻ Perplexity പോലുള്ള ഒരു പൊതു ആവശ്യങ്ങൾക്കായുള്ള ഏജന്റിന് കഴിയും. ഇൻസ്റ്റന്റ് ബൈ ചെക്ക്ഔട്ട് ഫീച്ചർ ഉപയോക്താവിനെ ഒരു ഉൽപ്പന്നം തിരഞ്ഞെടുത്ത ശേഷം വാങ്ങൽ പൂർത്തിയാക്കാൻ അനുവദിക്കുന്നു.

വലുതാക്കുക

8. പ്രത്യേക ജ്ഞാന ഡൊമെയ്‌നുകൾ

പ്രത്യേക ഡൊമെയ്ൻ জ্ঞান വീണ്ടെടുക്കുന്ന AI ടൂളുകൾ സങ്കീർണ്ണമായ ഉള്ളടക്ക ഫോർമാറ്റുകൾ കൈകാര്യം ചെയ്യേണ്ടതുണ്ട്. കൂടാതെ, ഭ്രമാത്മകതകളും (hallucinations) വിവരണ വിടവുകളും കുറയ്ക്കുന്നത് പലപ്പോഴും ഒരു മുൻഗണനയാണ്.

ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു: പൊതുവായ ആവശ്യങ്ങൾക്കായുള്ളതും പ്രത്യേകവുമായ RAG ആർക്കിടെക്ചറുകൾ തമ്മിലുള്ള പ്രധാന വ്യത്യാസം ഉറവിട മെറ്റീരിയലുമായി ബന്ധപ്പെട്ടതും വീണ്ടെടുക്കൽ കോൺഫിഗറേഷനുമാണ്. സാധാരണയായി, ഉയർന്ന ആധികാരികതയുള്ള ഒരു ഇൻഡക്സിൽ മാത്രമേ അന്വേഷിക്കപ്പെടുകയുള്ളൂ, കൂടാതെ തിരയലുകൾ ചുരുക്കാൻ നിർദ്ദിഷ്ട പദാവലി ഉൾപ്പെടുത്തുന്ന രീതിയിൽ അഭ്യർത്ഥന കോൺഫിഗർ ചെയ്യും.

യഥാർത്ഥ ലോക ഉദാഹരണം: അക്കാദമിക് റിസർച്ച് ടൂളായ Scite, പ്രസാധക കരാറുകളിലൂടെയും ഓപ്പൺ ആക്സസ് ഉറവിടങ്ങളിലൂടെയും നിർമ്മിച്ച അക്കാദമിക് പ്രബന്ധങ്ങളുടെയും ഉദ്ധരണി ഡാറ്റയുടെയും ഒരു വലിയ ഇൻഡക്സ് ആക്സസ് ചെയ്യുന്നു. പൂർണ്ണമായ ഉത്തരം സൃഷ്ടിക്കുന്നതിന് മുമ്പ്, ഉറവിട സ്ഥിരീകരണം പോലെയുള്ള പോസ്റ്റ്-റിട്രീവൽ പരിശോധനകളും ഇത് പ്രയോഗിക്കുന്നു.

വലുതാക്കുക

9. ഡാറ്റ വിശകലനം

ഡാറ്റ വിശകലനത്തിനായുള്ള RAG ഒരു പ്രത്യേക ശക്തമായ എന്റർപ്രൈസ് ഉപയോഗ കേസ് ആയി മാറി, കാരണം ഇത് വൈവിധ്യമാർന്ന പ്രൊഫഷണലുകളെ, പ്രത്യേകിച്ച് ഡാറ്റ സയൻസിൽ പരിശീലനം ഇല്ലാത്തവരെ, സ്വാഭാവിക ഭാഷ ഉപയോഗിച്ച് ഡാറ്റാസെറ്റുകൾ അന്വേഷിക്കാൻ അനുവദിക്കുന്നു. ഇത് റിപ്പോർട്ടുകൾ സൃഷ്ടിക്കുന്നതും വളരെ നിർദ്ദിഷ്ടമായ ചോദ്യങ്ങൾ ചോദിക്കുന്നതും എളുപ്പമാക്കുന്നു.

ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു: “കഴിഞ്ഞ പാദത്തിൽ വിൽപ്പന കുറഞ്ഞത് എന്തുകൊണ്ട്?” എന്നപോലുള്ള ഒരു ചോദ്യത്തിന്, ആപ്ലിക്കേഷൻ വിൽപ്പന രേഖകൾ അന്വേഷിക്കുകയും സ്റ്റോക്ക് കുറവുകളെക്കുറിച്ചോ വില മാറ്റങ്ങളെക്കുറിച്ചോ ഉള്ള കുറിപ്പുകൾ വീണ്ടെടുക്കുകയും ചെയ്തേക്കാം. വിശകലനം സൃഷ്ടിക്കുന്നതിന് മുമ്പ് വീണ്ടെടുത്ത ഡാറ്റയ്ക്കായി LLM അനുയോജ്യമായ കണക്കുകൂട്ടൽ (ഇത് സാധാരണയായി ഒരു കാൽക്കുലേഷൻ ടൂളിന് ഏൽപ്പിക്കപ്പെടുന്നു) തിരഞ്ഞെടുക്കുന്നു.

യഥാർത്ഥ ലോക ഉദാഹരണം: Google Analytics, വെബ് അനലിറ്റിക്സ് ഡാറ്റ ആക്സസ് ചെയ്യാനും ഉപയോക്താക്കളിൽ നിന്നുള്ള വളരെ നിർദ്ദിഷ്ടവും സൂക്ഷ്മവുമായ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാനും കഴിയുന്ന ഒരു AI “Ask Advisor” ചാറ്റ്‌ബോട്ട് വാഗ്ദാനം ചെയ്യുന്നു. എന്റർപ്രൈസ് ഗ്രേഡ്, ക്ലോസ്ഡ് സിസ്റ്റം RAG-ന്റെ ഏറ്റവും മികച്ച യഥാർത്ഥ ലോക ഉദാഹരണങ്ങളിൽ ഒന്നാണിത്.

വലുതാക്കുക

RAG-ന്റെ പരിണാമത്തിൽ അടുത്തതായി എന്താണ് ഉള്ളത്?

RAG ആദ്യമായി അവതരിപ്പിച്ചപ്പോൾ അതൊരു പ്രധാനപ്പെട്ട വികസനമായിരുന്നു. ഒറ്റപ്പെട്ട LLM-കളിൽ അന്തർലീനമായിരുന്ന നിരവധി പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ഇത് സഹായിച്ചു.

എന്നിരുന്നാലും, ഇതൊരു നിശ്ചലമായ സാങ്കേതികവിദ്യയല്ല. ആഴത്തിലുള്ള മൾട്ടിമോഡൽ വീണ്ടെടുക്കലിലും കൃത്യതയ്ക്കും ശരിയായിരിക്കുന്നതിനും വേണ്ടി വീണ്ടെടുത്ത സന്ദർഭത്തിന്റെ കൂടുതൽ കർശനമായ പ്രോസസ്സിംഗിലുമാണ് നിലവിലെ ഗവേഷണം ശ്രദ്ധ കേന്ദ്രീകരിച്ചിരിക്കുന്നത്. കൂടാതെ, മൾട്ടി-ടൂൾ ഏജന്റുകളിലേക്ക് RAG കൂടുതൽ സംയോജിപ്പിക്കുന്നത് നമുക്ക് കാണാൻ സാധ്യതയുണ്ട്.

വളരെ വലിയ സന്ദർഭ വിൻഡോകൾ ഉണ്ടെങ്കിൽ പോലും, വ്യക്തിപരവും തൊഴിൽപരവുമായ സാഹചര്യങ്ങളിൽ RAG-ന് പ്രധാനപ്പെട്ട ഉപയോഗ കേസുകളും വരാനിരിക്കുന്ന നിരവധി നവീകരണങ്ങളും ഉണ്ട്.